1.一种基于机理‑数据驱动混合集成的光伏发电功率预测方法，其特征在于，包括如下步骤：步骤1、预先获取历史光伏相关数据；

步骤2、基于最大信息系数对步骤1获取的NWP数据中的主要气象因素与光伏功率之间的相关性，选择相关程度最高的气象因子作为最佳时延的参照量，并通过三次样条插值法对参照量序列进行数据加密，生成新的参照量序列，获取输入变量集，并划分为训练集和测试集；

步骤3、考虑不同区域内光伏电站之间的时空关联特性，捕获多个相邻光伏电站之间的时空特性，采用时空分离卷积网络预测模型SSTCN结合维度可分离卷积网络DSAT和全连接预测输出层构建可分离时空卷积网络模型DSATCN；

步骤4、构建基于最小化软动态时序规整的目标函数，采用基于贝叶斯优化BO和多项式混沌展开PCE代理模型优化可分离时空卷积网络预测模型的超参数；

步骤5、基于机理的晴空功率模型构建，采用ASHRAE模型作为计算晴空辐照度的基础，建立计算晴空辐照度与实际光伏电站晴天出力之间的映射模型，从而得到光伏电站的晴空功率；

步骤6、基于Blending集成学习构建机理‑数据驱动混合集成的光伏发电功率预测模型，对数据驱动模型和晴空功率的机理模型的预测结果进行集成学习得到光伏发电功率最终变化趋势。

2.如权利要求1所述的基于机理‑数据驱动混合集成的光伏发电功率预测方法，其特征在于，步骤1中，数据包括发电功率数据、历史气象信息、NWP数据。

3.如权利要求1所述的基于机理‑数据驱动混合集成的光伏发电功率预测方法，其特征在于，步骤2中，基于最大信息系数对步骤1获取的NWP数据中的主要气象因素与光伏功率之间的相关性，选择相关程度最高的气象因子作为最佳时延的参照量，并通过三次样条插值法对参照量序列进行数据加密，生成新的参照量序列，获取输入变量集，并划分为训练集和测试集具体包括如下步骤：步骤21、根据历史气象数据，计算参照量序列 对应历史功率序列其中T＝{T1,T2,...,Tn}为历史气象数据的时间序列，n为序列总数；

步骤22、利用三次样条插值法对参照量序列进行数据加密，生成新的参照量序列其中t＝{t1,t2,...,tm,...,t3n‑2}为加密后的时间序列；

步骤23、当前m＝1，从序列中第m个元素开始，取n‑4个数据点，时间间隔为ΔT，得到修new newn newn正后的S ，记为S ，采用最大信息系数法计算S 和P之间的信息熵，并存入集合R中；

步骤24、令m＝m+1，若m＞3n‑2，则继续往下执行，否则返回步骤23；

步骤25、选择集合R中信息熵值最大的时延作为最佳时延量。

4.如权利要求1所述的基于机理‑数据驱动混合集成的光伏发电功率预测方法，其特征在于，步骤3中，考虑不同区域内光伏电站之间的时空关联特性，捕获多个相邻光伏电站之间的时空特性，采用时空分离卷积网络预测模型SSTCN结合维度可分离卷积网络DSAT和全连接预测输出层构建可分离时空卷积网络模型DSATCN具体包括如下步骤：T×C×H×W

步骤31、输入特征张量Fin∈R ，其中，C表示通道号，T表示输入窗口的时间长度，H和W分别表示特征图的高度和宽度；

步骤32、在H‑T、W‑T和H‑W三个不同的维度上进行卷积块操作捕捉光伏发电功率在时间和空间上的动态特征映射分别表示为：Fht＝ConvHT(Fin)

Fwt＝ConvWT(Fin)

Fhw＝ConvHW(Fin)

ConvHT、ConvWT和ConvHW是在H‑T、W‑T和H‑W三个不同的维度上进行卷积运算用来注意不同维度的特征；

C×H C×W

步骤33、通过平均运算得到H、W、T维度上的特征图，分别表示为FCHj∈R ,FCWj∈R ,C×TFCTj∈R 公式如下：

其中，j＝1,2并且J(x,y,j)为自定义函数，公式如下:通过平均运算得到单个维度的特征分布，实现分离光伏发电功率在时间和空间上的动态特征；

步骤34、通过输入层接收上述DSAT分离的光伏发电功率的时间空间特征数据，通过可分离卷积层使用深度可卷积操作，并通过逐点卷积进行通道间的混合，通过全连接层预测输出。

5.如权利要求1所述的基于机理‑数据驱动混合集成的光伏发电功率预测方法，其特征在于，步骤4中，构建基于最小化软动态时序规整的目标函数，采用基于贝叶斯优化BO和多项式混沌展开PCE代理模型优化可分离时空卷积网络预测模型的超参数具体包括如下步骤：步骤41、初始化BO算法参数；根据中心极限定理及贝叶斯估计原理，在已知的响应实测向量P和预测模型超参数构成的决策向量θ时，假设目标函数f(θ,P)服从正态分布：f(θ,P)|θ,P～Ν(0,Λ)

式中，Λ为协方差矩阵；当考虑噪声影响时，设目标函数f(θ,P)的观测结果为z，且z＝f

2 2 2

(θ,P)+ο，其中噪声ο服从正态分布，均值为零，方差为σ ，则有z|f(θ,P),σ～Ν(f(θ,P),σΙ)，设最大迭代次数为J，当前输入样本为Zt＝{(z1,θ1),(z2,θ2),...,(zt,θt)}，当前迭代次数j＝1；

步骤42、计算后验均值和方差，根据高斯过程性质有：

*

其中，f为预测输出，根据贝叶斯原理，此时均值ωt和方差 的后验估计为：Τ

上式中，B＝[z1,z2,...,zt] ，τ(θ,θ)为协方差核函数，τ(θ)为θ与θ1,θ2,...,θt的协方差构成的列向量；

步骤43、根据采集函数，求解得到新的决策向量估计值，在获得当前样本的分布下，根据LCB方法得到新的决策向量估计值：由于对采集函数取最小值，得到的新决策向量估计值θt+1优于当前决策向量估计值θt；

步骤44、更新样本集合，将得到的新决策向量估计值θt+1加入到样本集Zt，得到Zt+1＝{(z1,θ1),(z2,θ2),...,(zt,θt),(zt+1,θt+1)}；

步骤45、输出最优决策向量估计值，判断当前迭代次数是否达到最大迭代次数，若达到，则输出此时的最优决策向量；否则当前迭代次数j＝j+1，并返回步骤42。

6.如权利要求1所述的基于机理‑数据驱动混合集成的光伏发电功率预测方法，其特征在于，步骤5中，基于机理的晴空功率模型构建，采用ASHRAE模型作为计算晴空辐照度的基础，建立计算晴空辐照度与实际光伏电站晴天出力之间的映射模型，从而得到光伏电站的晴空功率具体为：晴空条件下，最终到达地面的太阳辐射分为直射辐射Rd和散射辐射Rs，计算公式如下：2

上式中，Rsc＝1367W/m为太阳常数，ξd和ξs分别表示直射辐射和散射辐射的光学厚度，Oam为大气光学质量，Id和Is分别表示直射辐射和散射辐射的大气光学修正指数，其中大气光学质量Oam通过太阳高度角Se近似计算得到，大气光学修正指数Id和Is根据ξd和ξs求出，计算公式如下：Id＝1.219‑0.043ξd‑0.15ξs‑0.204ξdξsIs＝0.202+0.852ξd‑0.007ξs‑0.357ξdξs通过以上计算，ASHRAE模型的晴空辐照度Rt表示如下：

Rt＝RdsinSe+Rs

对于固定位置的光伏系统，其最大光伏发电功率ΡPV表示如下：ΡPV＝RtSPVη

式中，SPV为光伏阵列的面积，η为光伏阵列的光电转换效率，光电转换效率η由两部分构成，参数方程表示如下：η(Rt,TPV)＝(s1+s2Rt+s3lnRt)×[1‑0.005(TPV‑25)]上式中，TPV为光伏阵列运行温度，s1～s3为参数，将光伏阵列面积系数和光电转换效率方程进行合并，得到最终功率映射方程如下：ΡPV＝Rt(s′1+s′2Rt+s′3lnRt)×[1‑0.005(TPV‑25)]根据以上功率映射方程，当光伏阵列辐照度Rt和光伏阵列运行温度TPV已知的条件下，采用最小二乘法对参数s′1～s′3进行估计，从而得到晴空功率模型。

7.如权利要求1所述的基于机理‑数据驱动混合集成的光伏发电功率预测方法，其特征在于，步骤6中，基于Blending集成学习构建机理‑数据驱动混合集成的光伏发电功率预测模型，对数据驱动模型和晴空功率的机理模型的预测结果进行集成学习得到光伏发电功率最终变化趋势具体包括如下步骤：步骤61、将经过输入数据处理后的多源数据划分为训练集、验证集和测试集；其中训练集用于训练基学习层的各个基模型，训练好的基模型对验证集进行测试，测试结果用于训练元学习层的元模型，测试集用于测试整体模型的性能；

步骤62、创建基学习层的基模型，其中的基模型分别为晴空功率模型和可分离时空卷积网络模型，通过训练集分别对晴空功率模型和可分离时空卷积网络模型训练，将测试集分别输入的晴空功率模型和可分离时空卷积网络模型，输出预测结果分别进行拼接得到新的训练集和测试集；

步骤63、创建元学习层的元模型，元模型拟采用广义混合函数，对来自基学习层的新训练集和测试集进行拟合和预测，输出最终预测结果。